人工智能在中医诊疗方面的应用现状分析※

潘玉颖,崔伟峰,马笑凡,范军铭

(河南省中医药研究院,河南 郑州450004)

医生诊疗疾病是一个严谨的逻辑推理过程,从采集病史、诊断疾病到临床治疗、预测转归,医生需要把所有信息在大脑中筛检、融合、汇总、分析。因西医诊断疾病标准清晰,“同病同方”,自20世纪开始已有不同疾病的医学诊疗模型指导诊断治疗。但与此相对的中医诊疗,其智能化发展相对滞后,多数研究仅停留在名老中医经验的整理和数据分析,因此,构建中医人工智能诊疗模型,实现智能诊疗是中医药现代化发展的关键。

1 发展现状

西医应用人工智能技术开发的智能诊断模型、专家系统已应用于临床,而中医诊疗智能化的发展与临床实用要求还有很大差距。

自1959年LEDLEY等首次应用计算机辅助诊断的数学模型诊断出一组肺癌病例,计算机辅助诊断应运而生,如今人工智能技术在医学诊疗领域的应用日益广泛[1]。日本三菱公司研制的“人工网膜基片”能快速精确地识别海量医学图像信息,其速度是传统识别系统的数万倍。人工智能在肿瘤性疾病和心脏病、糖尿病视网膜病变等疾病的临床诊断中已广泛应用[2]。西医智能诊疗系统已越来越多地应用于临床,反观中医,比较深入的研究出现在20世纪90年代,研究也多集中在根据模糊判别模式模拟临床经验进行中医辨证[3-7]、采用协同分布式方法进行中医诊断[8-9]、广泛采用神经网络模型建立中医辨证系统[10-15]、应用数据挖掘技术和决策树方法进行中医证型分类[16-18]、采用基于信息熵的决策树算法[19]等。但是这些研究都没有系统引进人工智能先进的理论、方法和技术,使研究内容与临床应用相互分离,限制了中医诊断思维机制的实现效果。

2 所处困境

中医诊疗智能化的主要难点在于中医辨证论治的思维难以转化为线性逻辑,中医诊疗输出信息多,高维度的数据难以计算分析。

目前国内外有关中医诊断智能方法与技术的研究开发,主要是一些具体方法和技术的分散研究,其无法系统集成的原因主要有两个方面。第一个方面是没有解决中医辨证论治思维方法中的形式化描述问题。中医临床诊断多是在许多模糊、非定性、独立于生化指标外的情况下进行辨证论治,依托数理模板、经典逻辑及其推理技术无法从根本上解决这一问题,成为中医诊断智能化发展的瓶颈。第二个方面是中医输入输出信息量巨大,高维度的信息阻碍计算效率。中医证候因人而异,证型繁多,用药随症加减没有固定标准,无法用简单的符号算法代替。大量信息不经降维处理难以计算分析,海量信息直接应用于模型会造成系统崩溃。传统的专家系统主要是采用符号计算方法构建,系统规则一旦形成,难以更新,导致系统内容不能适应不断变化的环境。因此,如何利用人工智能技术,使之具有自学习、自适应的功能,成为开发先进智能中医诊断系统的关键。中医诊疗病历数据的数字化、网络化积累了海量的数据资料,这些数据资料的维数已经对目前大多数据挖掘算法的效率造成了严重的阻碍,这种阻碍被称为“维数灾难”[20],所以处理高维数据必须进行降维。降维是一种将输入空间的样本线性或非线性地投影到低维空间,以求获得一个关于原数据集的紧致的低维表示方法[21]。医学研究中最常见的数据格式之一是矢量数据,随着医学实验水平的发展,对个体的观察指标变得越来越多,描述的内容也变得越来越丰富,数据集的维数也不断增高。海量数据的降维是医学大数据研究的基础和关键。在医学数据中降维方法的选择应用及开发新的有效的降维方法是本课题拟解决的关键问题。四诊合参是中医诊疗的核心,也是收集疾病信息的主要途径。近年来,人机对话技术、面部自动识别技术、嗅觉传感器技术与图片处理技术的高速发展,为中医四诊信息的自动化采集识别、智能化处理分析提供了方法学上的支持。脉象仪记录脉象信息和舌象仪记录客观舌象信息解决了中医望诊智能化信息的获取问题。舌脉象的智能化、客观化不仅是未来中医互联网医疗所需要的,更是中医智能化诊疗所必需的。

3 名老中医诊疗思路的模拟

名老中医辨证施治、遣方用药准确灵活,拓制名老中医诊病思维是智能诊疗的核心,将最新的人工智能技术与中医结合能够高度模拟名老中医的诊疗思维。

传统中医学是中华民族应用千年的宝贵财富,名老中医诊疗经验是中医理论、前人经验与当今临床实践的高度结合,是长期临床实践的积累,是中医学术创新发展的源泉。将名老中医的临床经验高效地保存传承,成为中医药现代化发展的关键。传统中医诊断脱离现代病理检测,具有经验性、模糊性、不确定性等特点,诸多非客观指标严重制约了中医的发展和应用。目前,中医辨证诊断过程无法做到规范化、客观化、定量化,如何将经验性、模糊性的中医辨证过程变的具有可计算性是中医现代化研究的主要问题。中医的精要在于辨证论治,以往根据经验和文献直接定性的方法难以得到客观的辨证分型。不客观的辨证分型使证候的命名及描述带有很强的主观性和随意性,得出的结果就不能反映中医诊病的思路。目前关于中医证候分类研究的方法繁多,但没有一个某种单一技术模拟中医证候辨证的应用,因此借鉴先进的人工智能技术和方法进行中医智能诊疗研究成为可能。在人工智能技术指导下模拟诊疗思维模型,这个模型包括了中医望闻问切、生化指标和处方用药。用临床病历训练模型,调整隐含层各参数,通过临床自学习功能进一步提高诊疗准确性,这样既避免了探索性研究的烦琐,也最大程度保持与临床实践的一致性。

4 人工智能

现代人工智能技术多种多样,其中人工神经网络能够模拟人类思维,具有自学习、自适应等功能,成为人工智能领域的主流技术。其深度增强学习算法通过大样本的训练和奖励样本的重复学习能够较好地解决中医诊疗的模糊性、高维度性、经验性等问题。

中医智能化诊疗是未来医疗发展的趋势,目前中医智能化诊疗的关键在于中医诊疗的经验性、不确定性、模糊性难以转化为线性逻辑。随着人工智能技术发展日益成熟,多种模型可模拟人脑进行黑箱操作,处理非线性信息并可适应学习。目前人工智能领域较先进、应用较广泛的核心技术是深度神经网络,并逐渐成为人工智能领域的主流技术。人工神经网络(ANN)是用来模拟脑神经系统的结构和功能,是由大量处理单元经广泛互连而组成的人工网络。ANN根据样本进行训练,训练时,样本的输入值传给ANN的输入层节点,ANN接受这些输入值并与权值进行运算,在输出层节点产生输出模式,若输出模式与样本的目标模式有误差,ANN对权值进行调优,这样的训练过程将迭代进行许多次。后期通过应用ANN能够自动适应输入信息调整参数,并从中学习,具有自学习、自适应和联想记忆等功能。MLP算法即多层感知器,是一种前向结构的ANN,映射一组输入向量到一组输出向量,是常见的ANN算法,它由一个输入层、一个输出层和一个或多个隐藏层组成。深度增强学习(DRL)是深度学习范畴的一个分支,近年来发展迅猛。DRL是实现从perception感知到action动作的端对端学习的一种全新的算法,是将深度学习与增强学习结合,从而解决计算机从感知到决策控制的问题,进而实现通用人工智能。通用人工智能是要创造一种无须人工编程而自己学会解决各种问题的智能体,最终目标是实现类人级别甚至超人级别的智能。DRL可类比人类认知,输入感知信息如视觉,然后通过深度神经网络直接输出动作,中间没有hand-crafted工作。DRL具备使机器实现完全自主学习的一种甚至多种技能的潜力。深度学习把原始数据通过一些简单、非线性的模型转变为更高层次、更加抽象的表达,其实质是一种特征学习方法。深度学习擅长发现高维数据中的复杂结构,因此它被应用于中医证候诊断方面[22-23]。增强学习强调模型在与环境的交互中学习,利用环境的评价性反馈信号修正行为、选择策略,成为求解复杂决策问题的一种可行性手段[20,24]。2016年Google推出的AlphaGo使计算机的围棋水平达到甚至超过了顶尖职业棋手的水平,引起了世界性的轰动。AlphaGo的核心在于使用了DRL的最新算法,使计算机能够通过自对弈的方式不断提升棋力。将DRL应用到中医智能化治疗模型,将会为解决中医诊疗的经验性、不确定性、模糊性等问题带来重大突破,将克服传统智能技术的不足,为中医智能诊疗系统的研发开辟新思路、新途径。